切片分析核心概念：数据分布、特征空间、标签分布、切片粒度

好，咱们正式开始聊切片分析的核心概念。说实话，这四个词——数据分布、特征空间、标签分布、切片粒度——是后面所有技巧的基石。你如果把它们吃透了，后面那些花哨的切片方法一看就懂。

我刚开始带团队做模型诊断的时候，有个同事上来就切了上百个切片，结果越看越乱。为什么？因为他根本没想清楚「切片的本质是什么」。说白了，切片就是在做一件事：把大问题拆成小问题，然后看每个小问题里的数据长什么样。

1. 数据分布：你切出来的东西长什么样？

数据分布，就是某个切片里，样本在某个维度上的「长相」。比如年龄分布、收入分布、点击率分布。你切完一个切片，第一件事就是看它的分布。

我记得有一次做电商推荐模型，全量数据AUC有0.85，看着不错。但当我按「用户活跃度」切片后，发现「高活跃用户」切片里，样本集中在最近7天有购买行为的用户上，而「低活跃用户」切片里，大部分是3个月没登录的僵尸用户。这两个切片的分布完全不同，模型表现自然也天差地别。

常见的分布形态有几种：

• 正态分布：大多数样本集中在均值附近，比如用户身高、商品评分。
• 长尾分布：少量样本占据大部分值，比如用户消费金额、视频播放量。
• 双峰分布：有两个明显的聚集区，比如「学生」和「上班族」的作息时间。
• 均匀分布：样本在各个区间差不多，比如随机生成的ID。

你想想看，如果一个切片里的数据分布和全量数据完全不同，那模型在这个切片上的表现能好吗？大概率不行。

2. 特征空间：模型看到的世界是什么样的？

特征空间，就是模型用来做决策的「维度集合」。每个特征是一个维度，所有特征组合起来就构成了一个高维空间。切片分析里，我们关心的是：不同切片在特征空间里的位置和密度是否一致。

举个例子。假设你有一个信贷风控模型，用了「年龄」「收入」「负债率」三个特征。全量数据的特征空间里，样本分布比较均匀。但当你按「地区」切片后，发现「一线城市」切片里，样本集中在「高收入、低负债率」的区域；而「三线城市」切片里，样本集中在「中低收入、中负债率」的区域。这两个切片在特征空间里几乎不重叠。

嗯，这里要注意：特征空间不重叠，意味着模型在训练时可能没见过某个切片里的样本组合。那模型在这个切片上的预测，基本就是外推，风险极高。

3. 标签分布：你预测的目标在切片里变了吗？

标签分布，就是切片里正负样本的比例，或者回归任务中目标值的分布。这个点特别容易被忽略，但恰恰是很多模型问题的根源。

我曾经接手过一个广告点击率预估模型，全量数据里点击率是2.3%。但当我按「广告位类型」切片后，发现「开屏广告」切片的点击率只有0.8%，而「信息流广告」切片是3.5%。这两个切片的标签分布差了4倍多。

为什么会这样？因为不同广告位的用户行为模式完全不同。开屏广告用户通常是「被动看到」，信息流广告用户是「主动浏览」。模型如果没学到这个差异，就会在开屏广告上过度预测点击，在信息流广告上预测不足。

标签分布分析的核心指标：

4. 切片粒度：切多细才合适？

切片粒度，就是每个切片包含的样本量大小。这个点特别考验经验。切太粗，看不到问题；切太细，全是噪音。

我个人的经验是：切片粒度要和业务场景匹配。比如：

• 粗粒度（样本量 > 10万）：适合看整体趋势，比如按「国家」「设备类型」「用户性别」切片。
• 中粒度（样本量 1万 ~ 10万）：适合发现具体问题，比如按「年龄段」「城市等级」「商品类目」切片。
• 细粒度（样本量 1000 ~ 1万）：适合深挖异常，比如按「具体商品ID」「具体用户群」「具体时间段」切片。
• 超细粒度（样本量 < 1000）：一般不建议单独分析，除非是极端案例。

我记得有一次做模型迭代，我按「用户ID」切片，每个切片只有几十个样本。结果发现某个切片AUC高达0.99，我兴奋了半天。后来一查，是这个切片里正样本只有2个，负样本只有3个，模型随便猜都能对。这就是典型的「过细粒度陷阱」。

反过来，如果切片太粗，比如只按「是否登录」切一刀，那你会发现两个切片的表现差不多，什么问题都看不出来。所以，切片粒度需要反复试。我一般会从粗到细，先看大方向，再逐步缩小范围。

5. 四个概念的关系：一张图说清楚

这四个概念不是孤立的，它们共同构成了切片分析的核心框架。我画了一张图，帮你理清它们的关系：

这张图想表达的核心逻辑是：切片粒度决定了你看到的数据分布、特征空间和标签分布的「分辨率」。粒度太粗，你什么都看不到；粒度太细，你看到的是噪音。只有找到合适的粒度，才能让三个分布的分析有意义。

好了，这四个核心概念就聊到这里。记住一句话：切片分析的本质，就是在不同粒度下，对比数据分布、特征空间和标签分布的差异。后面我们会用大量实战案例来演示怎么具体操作。